PROPRIEDADES DAS DISTRIBUIÇÕES BIVARIADAS DE CROVELLI, GUMBEL TIPO I E GAMA BETA TIPO II, COM UMA APLICAÇÃO A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA
|
|
- Elza Canedo Ventura
- 7 Há anos
- Visualizações:
Transcrição
1 ANA PAULA COELHO MADEIRA SILVA PROPRIEDADES DAS DISTRIBUIÇÕES BIVARIADAS DE CROVELLI, GUMBEL TIPO I E GAMA BETA TIPO II, COM UMA APLICAÇÃO A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA LAVRAS-MG 211
2 ANA PAULA COELHO MADEIRA SILVA PROPRIEDADES DAS DISTRIBUIÇÕES BIVARIADAS DE CROVELLI, GUMBEL TIPO I E GAMA BETA TIPO II, COM UMA APLICAÇÃO A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA Tese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós- Graduação em Estatística e Experimentação Agropecuária, área de concentração em Estatística e Experimentação Agropecuária, para a obtenção do título de Doutor. Orientador Dr. Lucas Monteiro Chaves LAVRAS-MG 211
3 Ficha Catalográfica Preparada pela Divisão de Processos Técnicos da Biblioteca da UFLA Silva, Ana Paula Coelho Madeira. Propriedades das distribuições bivariadas de Crovelli, Gumbel tipo I e gama beta tipo II, com uma aplicação a dados de precipitação pluviométrica / Ana Paula Coelho Madeira Silva. Lavras : UFLA, p. : il. Tese (doutorado) Universidade Federal de Lavras, 211. Orientador: Lucas Monteiro Chaves. Bibliografia. 1. Gama bivariada de Crovelli. 2. Exponencial bivariada Gumbel tipo I. 3. Distribuição bivariada Gama beta II. 4. Combinação de variáveis aleatórias. I. Universidade Federal de Lavras. II. Título. CDD
4 ANA PAULA COELHO MADEIRA SILVA PROPRIEDADES DAS DISTRIBUIÇÕES BIVARIADAS DE CROVELLI, GUMBEL TIPO I E GAMA BETA TIPO II, COM UMA APLICAÇÃO A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA Tese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós- Graduação em Estatística e Experimentação Agropecuária, área de concentração em Estatística e Experimentação Agropecuária, para a obtenção do título de Doutor. APROVADA em 31 de Agosto de 211. Dr. Denismar Alves Nogueira Dr. Fabyano Fonseca e Silva Dr. João Domingos Scalon Dr. Renato Ribeiro de Lima UNIFAL UFV UFLA UFLA Dr. Lucas Monteiro Chaves Orientador LAVRAS-MG 211
5 A Deus, luz da minha vida, Aos meus amados pais, Sebastião (in memoriam) e Marlene, Aos meus queridos irmãos, Luiz Gustavo, Luiza e Antônio César, Ao meu esposo, Valdevino Júnior e minha amada filha Ana Luiza, Dedico.
6 AGRADECIMENTOS A Deus, razão de tudo o que somos e fazemos. À Universidade Federal de Lavras (UFLA), em especial ao Departamento de Ciências exatas (DEX), berço de grandes profissionais que contribuíram imensamente em minha formação. À Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) e à Coordenação e Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo apoio financeiro. Ao meu orientador, Dr. Lucas Monteiro Chaves, pela oportunidade, valiosos ensinamentos e convivência amiga. Aos professores, Devanil e Fredy pelo apoio, incentivo e contribuições. A todos os funcionários do DEX, pelos serviços prestados, em especial à Josi, Selminha e Edila. Ao membros da banca examinadora, pelas críticas e sugestões que tanto contribuíram para o engrandecimento deste trabalho. Ao meu pai que embora não esteja mais presente, sinto sempre a sua presença e felicidade na realização deste sonho. À minha mãe pelo exemplo de vida, força, incentivo e dedicação. Aos meus queridos irmãos, Luiz Gustavo, Luiza e Antônio César pela amizade, carinho e incentivo. Ao meu amado esposo, pelo amor, incentivo, apoio incondicional, companheirismo e suporte emocional, além dos sacrifícios e concessões. À minha linda filha, Ana Luiza, sentido de minha vida, motivo de minhas alegrias, obrigada por seu amor. Aos amigos, Ana Lúcia, Augusto, Edcarlos, Leandro, Moysés, Paulo, Tania, Fernanda, Adriana, Luzia, Danielle, pelo companheirismo, amizade e momentos de alegria. Ao amigo Jailson, pelas longas horas de estudo e amizade. Enfim, a todos que contribuíram, direta ou indiretamente, meus eternos agradecimentos. Ana Paula Coelho Madeira Silva
7 RESUMO Diferentes distribuições bivariadas de probabilidade têm sido propostas para estudar o comportamento conjunto de duas grandezas aleatórias de interesse, bem como combinações dessas, como soma, produto e quociente. Em particular tal abordagem têm sido amplamente utilizada em hidrologia, em que as grandezas de interesse são X período de chuva e Y período contíguos sem ocorrência de chuva. Neste trabalho, são deduzidas e apresentadas algumas propriedades dos modelos gama bivariado de Crovelli e exponencial bivariado Gumbel tipo I bem como as propriedades da soma produto e quociente, ainda não descritas na literatura especializada. Também é apresentada uma nova distribuição bivariada denominada gama beta tipo II. Como aplicação, são realizados ajustes dessas distribuições a dados de precipitação pluviométrica. Os resultados obtidos indicam a viabilidade dos modelos gama bivariado de Crovelli e gama beta tipo II. Palavras-chave: Gama bivariada de Crovelli, Exponencial bivariada Gumbel tipo I, Distribuição bivariada Gama beta II, combinação de variáveis aleatórias, precipitação pluviométrica
8 ABSTRACT One can find a lot of bivariate probability distributions when studying the pooled behavior of two random variables, as well as their sum, product or difference. In particular, such approach had been extensively used in hydrology, where the target variables are the run period and the inter consecutive runs period. In this work we deduce properties for the Crovelli bivariate gamma model and the Gumbel Type I bivariate exponential model, as well as their sum, product and difference. Those properties are not described in specialized literature. We also introduce a new bivariate distribution, which we called gamma beta II. As an application, we fitted these three distributions to rain precipitation data. The results show acceptable behavior of those models. Keywords: Crovelli s bivariate gamma; Gumbel s type I bivariate exponential; Gama beta II bivariate distribution; random variables combination; rain precipitation
9 LISTA DE FIGURAS Figura 1 Seca na Amazônia, 21 - A pior dos últimos cem anos Figura 2 Enchente em Itajaí - Santa Catarina Figura 3 Distribuição beta tipo II Figura 4 Representação da propriedade (i) Figura 5 Representação da propriedade (ii) Figura 6 Precipitação mensal de julho a dezembro de Figura 7 Precipitação mensal do ano Figura 8 Precipitação mensal janeiro a julho de Figura 9 Região de integração Figura 1 Superfície Crovelli, α 2, 5; β 1, Figura 11 Gráfico da fdp de U X + Y Figura 12 Gráfico da fdp de P XY Figura 13 Gráfico da fdp de Q X/(X + Y ) Figura 14 Superfície Gumbel tipo I,, Figura 15 Gráfico da distribuição de U X + Y Figura 16 Gráfico da distribuição de P XY Figura 17 Gráfico da distribuição de Q X/(X + Y ) Figura 18 Superfície gama beta II Figura 19 Distribuição ajustada para X e Y, modelo Gumbel Figura 2 Gráfico de probabilidade observada versus probabilidade esperada para X e Y, modelo Gumbel Figura 21 Distribuição ajustada para X considerando os modelos Crovelli (a) e Gama beta tipo II (b) Figura 22 Gráfico de probabilidade observada versus probabilidade esperada para X considerando os modelos Crovelli (a) e Gama beta tipo II (b) Figura 23 Distribuição ajustada para Y considerando os modelos Crovelli (a) e Gama beta tipo II (b) Figura 24 Gráfico de probabilidade observada versus probabilidade esperada para Y considerando os modelos Crovelli (a) e Gama beta tipo II (b) Figura 25 Distribuição ajustada para U considerando os modelos Crovelli (a) e Gama beta tipo II (b) Figura 26 Gráfico de probabilidade observada versus probabilidade esperada para U considerando os modelos Crovelli (a) e Gama beta tipo II (b)
10 LISTA DE TABELAS Tabela 1 Categorias do Índice de Severidade de Seca de Palmer Tabela 2 Categorias do Índice Padronizado de Precipitação Tabela 3 Estatísticas descritivas Tabela 4 Estimativas dos parâmetros dos modelos Tabela 5 Distribuição do número de dias com precipitação Tabela 6 Distribuição do número de dias sem precipitação Tabela 7 Distribuição do período climático Tabela 8 Dados diários de precipitação pluviométrica - Passo Fundo RS. 113
11 SUMÁRIO 1 INTRODUÇÃO REFERENCIAL TEÓRICO Dias secos e dias chuvosos Índices para a quantificação hídrica Funções especiais Distribuição beta do tipo II Modelos de probabilidade univariados Modelos de probabilidade bivariados no estudo de processos hidrológicos Distribuição gama bivariada de Mckay Distribuição gama bivariada de Kibble Distribuição gama bivariada de Izawa Distribuição gama bivariada de Moran Distribuição gama bivariada de Cherian Distribuição gama bivariada de Smith, Aldelfang e Tubbs Distribuição gama bivariada de Loáiciga e Leipnik Distribuição gama bivariada de Crovelli Distribuição exponencial bivariada Gumbel tipo I Construindo distribuições bivariadas Transformação de variáveis Método da transformação marginal Variáveis em comum e técnicas de redução trivariada Mistura de distribuições Cópulas METODOLOGIA Modelos Implementação computacional Dados reais Estimação Ajuste RESULTADOS E DISCUSSÃO Distribuição Gama Bivariada de Crovelli Distribuições condicionais, covariância e correlação Funções Densidades de Probabilidade Funções de Distribuição Acumulada
12 4.1.4 Quantis Momentos Distribuição Bivariada Gumbel tipo I Funções Densidades de Probabilidade Momentos Distribuição Bivariada Gama Beta II Funções Densidade de Probabilidade Momentos Estimação Aplicação Conclusão REFERÊNCIAS ANEXOS
13 13 APRESENTAÇÃO Esta tese faz parte da Linha de Pesquisa Teoria de Métodos Estatísticos, do Grupo de Pesquisa em Planejamento e Análise de Experimentos, do Departamento de Ciências Exatas (DEX), da Universidade Federal de Lavras (UFLA), cadastrado e certificado na base de grupos de pesquisa do CNPq. Está inserida no projeto Seguro Agrícola: Modelagem Estatística e Precificação, do Programa Nacional de Cooperação Acadêmica (PROCAD/CAPES), que envolve as seguintes instituições federais de ensino superior: ESALQ/USP, IME/USP, UFLA e UFMG.
14 14 1 INTRODUÇÃO Alguns dos principais desafios que o mundo, em particular o Brasil, deverá enfrentar nas próximas décadas estão relacionados com o aproveitamento e controle dos recursos hídricos. A importância dos recursos hídricos em qualquer processo de desenvolvimento sócio-econômico é inquestionável pois a água, além de cumprir o seu papel natural de abastecimento para a satisfação das necessidades humanas, animais, vegetais e produtivas, serve indevidamente como veículo para os despejos de efluentes urbanos, industriais, agrícolas e extractivos. Em se tratando de recursos hídricos, a precipitação é de fundamental interesse. A precipitação pluviométrica é um dos elementos do clima que apresenta alta variabilidade temporal e espacial, e sua ocorrência em excessos, ou em déficit, geralmente causam prejuízos à produção agrícola bem como transtornos à população em geral. A insuficiência de precipitação pluviométrica ocasiona o fenômeno climático conhecido como seca. A seca afeta grandes regiões durante meses ou anos, tendo um impacto sobre a produção de alimentos, reduzindo a expectativa de vida e o desempenho econômico de grandes regiões. Ela se manifesta com intensidades diferentes, dependendo do índice de precipitações pluviométricas. O déficit ou o excesso de chuva numa determinada região compromete a atividade agrícola, pois as plantações são susceptíveis a fenômenos climáticos adversos, como tromba d água, ventos fortes, granizo, geada, chuvas excessivas, seca e inundação. Desse modo, essa atividade torna-se de alto risco e o seguro agrícola surge como um mecanismo para reduzir o risco de produção no agronegócio. Para quantificar o risco associado à atividade agrícola é necessário entender e prever adequadamente a ocorrência de fenômenos climáticos adversos, em particular a seca. Portanto é necessário o uso de metodologias matemáticas, estatísticas e computacionais para modelar esse fenômeno. Existem em todas as partes do mundo, um esforço institucional e pessoal muito grande no sentido de quantificar, bem como prever a ocorrência de chuvas, ou ocorrência de secas, nos mais variados locais. Diferentes índices de quantificação hídrica são encontrados na literatura. Esses
15 15 índices são baseados na equação do balanço hídrico e têm por objetivo detectar o início e o fim de um período chuvoso e/ou o início e o fim de um período de seca. Com base nas informações geradas por esses índices, vários modelos probabilísticos univariados têm sido utilizados para descrever o comportamento das variáveis X: período de chuva (ou seca ) e Y : período sem ocorrência de chuva (ou seca). Dentre os modelos mais utilizados destaca-se a distribuição gama. Muitos estudos apontam que essa distribuição modela com sucesso as variáveis X e Y. Os modelos univariados explicam o comportamento marginal das variáveis X e Y, não levando em conta a correlação, que de fato existe, entre essas variáveis. Neste contexto, é necessário o uso de modelos bivariados que contemplem essa correlação. Os trabalhos desenvolvidos por Izawa (1965) impulsionaram o uso da distribuição gama bivariada na análise de processos hidrológicos. Considerando que X e Y se distribuem segundo um modelo bivariado, funções dessas variáveis aleatórias, expressas por U X + Y, P XY e Q X/(X + Y ), têm um significado físico importante de modo que diferentes autores têm trabalhado no sentido de caracterizar essas distribuições e aplicá-las em diferentes áreas do conhecimento, em particular em hidrologia (NADARAJAH, 28; NADARAJAH; KOTZ, 26). Diante do exposto, o presente trabalho tem como objetivo apresentar algumas propriedades dos modelos bivariados gama de Crovelli e exponencial Gumbel tipo I bem como deduzir a distribuição exata das variáveis U X + Y, P XY e Q X sob esses modelos. Além disso, propõe-se um novo modelo, ainda X + Y não estudado na literatura especializada, denominado modelo bivariado gama beta tipo II. Este modelo corresponde a uma variação da distribuição gama bivariada de Arnould, (BALAKRISHNAN; LAI, 29). Uma aplicação desses modelos é apresentada, utilizando-se dados de precipitação pluviométrica do município de Passo Fundo, RS.
16 16 2 REFERENCIAL TEÓRICO 2.1 Dias secos e dias chuvosos A precipitação pluviométrica (ou chuva) é um dos elementos meteorológicos que exerce mais influência sobre as condições ambientais. Além do seu efeito direto sobre o balanço hídrico, ela influência indiretamente outras variáveis, como a temperatura do ar e do solo, a umidade do ar e a radiação solar, que são fatores básicos para o crescimento e desenvolvimento dos seres vivos. O balanço hídrico de Thornthwaite e Mather (1955) é um instrumento agrometeorológico útil e prático para caracterizar o fator umidade do clima, que considera duas curvas, uma associada à marcha da precipitação mensal e outra relacionada à evapotranspiração potencial, equivalendo à precipitação ideal no período, num cenário em que não há sobra nem falta de água no solo para uso das plantas. Uma das preocupações quanto às chuvas é a intensidade e a frequência de suas ocorrências, como também sua ocorrência em excessos ou em déficit. O excesso de precipitação pluviométrica em uma determinada região gera transtornos à população em geral, deixando as pessoas desalojadas, desabrigadas e enfermas, causando prejuízo à produção agrícola e em outros setores da economia. As chuvas de alta intensidade e elevada freqüência que atingiram determinados estados no Brasil neste ano deixaram muitos municípios em situação crítica. Em particular as chuvas ocorridas na região serrana do Rio de Janeiro em janeiro de 211, trouxeram enchentes, deslizamentos de terra ocasionando muitas mortes e grandes prejuízos para a população. O déficit de precipitação pluviométrica ocasiona o fenômeno seca. A seca é causada pela insuficiência de precipitação pluviométrica numa determinada região por um período prolongado de tempo, geralmente por uma temporada ou mais. É um complexo processo físico e social de amplo impacto. Ela afeta vastas regiões durante meses ou anos, tendo um impacto sobre a produção de alimentos, reduzindo a expectativa de vida e o desempenho econômico de grandes regiões ou de países inteiros. No Brasil, a seca atinge principalmente a região Nordeste, entre outras regiões,
17 17 gerando dificuldades sociais para as pessoas que habitam a região. As consequências mais evidentes das grandes secas são a fome, a desnutrição, a miséria e a migração para os centros urbanos (êxodo rural). As Figuras 1 e 2 ilustram cenários antagônicos causados pelo déficit e pelo excesso de precipitação pluviométrica. Figura 1 Seca na Amazônia, 21 - A pior dos últimos cem anos Figura 2 Enchente em Itajaí - Santa Catarina 21 Embora seja tema de muitos estudos, não existe, segundo Mckee, Doesken e Kleist (1993) uma definição de seca válida para qualquer região, em qualquer época e ainda adequada a todas as ramificações das sociedades humanas. No entanto, todos os estudos relacionam as secas com situações de escassez de água, resultado de precipitação insuficiente, evapotranspiração elevada e exploração irregular dos recursos hídricos. Segundo Wilhite e Glantz(1987, citados por BLAIN, 25), pesquisadores, políticos, agricultores, ou cidadãos comuns, têm percepções diferentes do fenômeno
18 18 seca. Até mesmo dentro de cada um desses grupos, há diferenças significativas no entendimento dessa anomalia climática. Um meteorologista, ou um sociólogo, por exemplo, vêem a seca como problemas distintos. O primeiro está preocupado com a previsão ou explicação das causas dessa anomalia ou ainda em descrever a magnitude do déficit de precipitação ocorrido, ao passo que o segundo está mais interessado nos efeitos dessa deficiência nas pessoas ou nas instituições. Segundo Heim Júnior (22) o grande número de setores afetados pela seca, sua diversidade geográfica, sua distribuição temporal e a demanda provocada pela ação humana tornam difícil o desenvolvimento de uma definição universal desse evento. Tal confusão na definição desse fenômeno natural, pode resultar em uma falta de entendimento das reais implicações sociais de uma seca, tornando ineficazes as medidas de combate a essa anomalia climática. Palmer (1965) considera seca como o intervalo de tempo, geralmente da ordem de meses ou até mesmo de anos, durante o qual a precipitação diminui consideravelmente em relação ao valor climatologicamente esperado ou apropriado. Tal fenômeno pode ocorrer tanto em áreas úmidas ou áridas. As definições de seca atualmente mais aceitas pelas comunidades meteorológicas internacionais são: um déficit prolongado de precipitação, um déficit de precipitação que resulta em uma baixa disponibilidade hídrica para a atividade que a requer, ou ainda um período anormal seco, suficientemente longo para que a falta de precipitação cause um desequilíbrio hidrológico Índices para a quantificação hídrica Um fenômeno de difícil modelagem estatística é o estudo do tempo de períodos de chuva e períodos de seca em uma determinada região. Devido à complexidade desse fenômeno natural, nenhum índice em particular, tem sido capaz de representar de forma perfeita a intensidade, a severidade e os impactos da seca nos diferentes segmentos da atividade humana. Uma situação de seca pode ser quantificada por diferentes índices meteorológicos, os quais permitem determinar a intensidade, a duração e a frequência com que essa anomalia ocorre. Os índices de quantificação hídrica assimilam vários anos
19 19 de variáveis meteorológicas como: precipitação, temperatura do ar, evapotranspiração, escoamento superficial (runoff), umidade do solo, entre outras variáveis, buscando combiná-las a fim de determinar o início de um período de seca (FER- NANDES, 29). Dentre os diferentes índices existentes na literatura destacam-se o Índice de Severidade de Seca de Palmer (Palmer Drought Severity Index - PDSI) e o Índice Padronizado de Precipitação (Standardized Precipitation Index - SPI). Ambos quantificam as condições hídricas de uma área, em relação a uma condição hídrica esperada em uma determinada região. O Índice de Severidade de Seca de Palmer, foi desenvolvido por Palmer (1965), o qual considera que o total de precipitação pluviométrica requerido para manter uma área sob condições de economia estável é dependente da média dos elementos meteorológicos e das condições hídricas dos meses precedentes e do atual para a área em questão em um determinado período. O PDSI tem como base de sua metodologia parâmetros do Balanço Hídrico climático de Thorntwaite e Mather (1955). O índice acusa uma seca quando a precipitação pluviométrica de uma região diminui consideravelmente em relação ao que seria climatologicamente esperado. Palmer considerou 11 categorias de classificação de eventos, como é demonstrado na Tabela 1: Tabela 1 Categorias do Índice de Severidade de Seca de Palmer. PSDI Categoria 4, Extremamente úmido 3, a 3,99 Muito úmido 2, a 2,99 Moderadamente únido 1, a 1,99 Ligeiramente úmido,5 a,99 Úmido incipiente -,49 a,49 Próximo do normal -,99 a -,5 Seca incipiente -1,99 a -1, Ligeiramente seco -2,99 a -2, Moderadamente seco -3,99 a -3, Muito seco 4, Extremamente seco Fonte: Palmer (1965, p. 28)
20 2 O PDSI tem sido amplamente utilizado pelo Departamento de Agricultura dos EUA para determinar medidas de assistência à seca. Uma restrição desse índice é que ele fornece melhores resultados quando se trabalha com áreas de topografia uniforme. Outro índice de quantificação hídrica é o Índice Padronizado de Precipitação, desenvolvido por Mckee, Doesken e Kleist (1993). O SPI quantifica o déficit ou o excesso de precipitação em diferentes escalas de tempo. Essa característica torna o SPI uma valiosa ferramenta para todos os estudos de disponibilidade hídrica, sejam eles de curta ou longa duração. O cálculo do SPI para qualquer local é baseado em séries longas da precipitação. Com base nesse índice, o evento seca começa quando o SPI torna-se negativo e atinge o valor de 1 e termina quando este volta a apresentar valores positivos. Dentro de sua escala, magnitudes menores ou iguais a 2 indicam seca extrema, e maiores ou iguais a 2, umidade extrema, como pode ser visualizado na Tabela 2. Tabela 2 Categorias do Índice Padronizado de Precipitação. SPI Categoria 2, Extremante úmido 1,5 a 1,99 Severamente úmido 1, a 1,49 Moderadamente únido,1 a,99 Umidade incipiente -,99 a, Seca incipiente -1,49 a -1, Moderadamente seco -1,99 a -1,5 Severamente seco 2, Extremamente seco Fonte: Blain (25) No Brasil, existe na literatura algumas adaptações dos índices PSDI e SPI a determinados estados. Em particular, Blain (25) estuda uma adaptação dos índices PSDI e SPI ao estado de São Paulo concluindo que os mesmos devem ser utilizados em decisões governamentais de planos de combate aos efeitos do fenômeno natural seca.
21 Funções especiais Uma função especial é uma função matemática particular, que por sua importância no campo da análise matemática, análise funcional, Física, Engenharia, Estatística e em outras áreas do conhecimento, possui nomes e designações mais ou menos estabelecidas. Elas são funções tabeladas, da mesma forma que o seno trigonométrico, por exemplo, e muitos softwares já apresentam rotinas para seu cálculo. No desenvolvimento do texto serão utilizadas diferentes funções especiais que são listadas na sequência. a) Função Gama A função gama (completa), denotada por Γ( ), é definida como: Γ (α) t α 1 e t dt, α >. (2.1) Usando integração por partes em (2.1), tem-se a seguinte relação de recorrência: Γ (α + 1) αγ(α). (2.2) Se α é um inteiro positivo, n 1, 2, 3..., então Γ (n) (n 1) Γ (n 1) (n 1) (n 2) Γ (n 1) (n 1) (n 2)... 1 (n 1)! (2.3) a função gama reduz à função fatorial. Utilizando a relação de recorrência (2.2), obtém-se (α) n Γ (α + n), n 1, 2, 3... Γ (α)
22 22 em que (α) n α (α + 1)... (α + n 1) denota o fatorial ascendente. A derivada do logaritmo da função gama é denominada função digama ou função psi, e é definida como segue ψ (α) d [ln Γ (α)]. (2.4) dα A função gama (completa) é um caso particular da função gama incompleta, γ (α, x), e da função gama incompleta complementar, Γ (α, x), definidas por: γ (α, x) x t α 1 e t dt, (2.5) Assim, Γ (α, x) t α 1 e t dt. (2.6) x Γ(α) γ (α, ) e Γ(α) Γ (α, ) Segue de (2.5) e (2.6), que Γ (α) γ (α, x) + Γ (α, x). b) Função Beta A função beta, denotada por B (, ), é definida por 1 B (α, β) t α 1 (1 t) β 1 dt, α >, β >. (2.7) Tomando z 1 t como a variável de integração, obtém-se B (α, β) (1 z) α 1 z β 1 ( dz) 1
23 23 B (α, β) 1 z β 1 (1 z) α 1 dz B (β, α) isto é, a função beta é simétrica, B (α, β) B (β, α). t Considere u (1 t), du 1 dt. Quando t, u e (1 t) 2 quando t 1,u +. Desse modo, a função beta pode ser escrita da forma: B (α, β) 1 t α 1 (1 t) β 1 dt u α 1 ( u ( ) u α 1 ( ) 1 β+1 du 1 + u 1 + u ) α+β du. (2.8) Outra forma de representar a função beta é expressá-la em termos da função gama, B (α, β) Γ (α) Γ (β) Γ (α + β) α >, β >. (2.9) Qualquer uma das três expressões dadas em (2.7), (2.8) ou (2.9), pode ser usada para definir ou avaliar a função beta. Uma generalização da função beta é dada pela função beta incompleta, denotada por B x (α, β), e definida como x B x (α, β) t α 1 (1 t) β 1 dt. (2.1) Note que a função beta incompleta se reduz à função beta quando x 1. c) Função de Bessel As funções de Bessel são definidas como soluções da equação diferencial
24 24 x 2 d2 y dx 2 + x dy dx + ( x 2 n 2) y. A função de Bessel modificada do tipo I de ordem υ e argumento x, denotada por I υ (x), é definida como I υ (x) x υ 2 υ Γ (υ + 1) k 1 (υ + 1) k k! ( ) x 2 k, (2.11) onde (e) k e(e + 1)... (e + k 1) denota o fatorial ascendente. por: A função de Bessel modificada do tipo III é a função K υ (x) definida 4 k υ (x) πx υ 2 υ Γ ( υ + 1 ) 2 1 ( t 2 1 ) υ 1/2 exp ( xt) dt. (2.12) A função de Bessel modificada do tipo III é também referida como função de Bessel do tipo II ou função Macdonald. d) Função hipergeométrica confluente A função hipergeométrica confluente do tipo I, com argumento x e parâmetros a e b, denotada por 1 F 1 (a; b; x), é um caso especial da classe das funções hipergeométricas, p F q. A função têm a seguinte representação em série de potências: 1F 1 (a; b; x) 1 + a b a (a + 1) x 2 x + b (b + 1) 2! +... (a) k x k (b) k k k! (2.13) A representação em integral definida é dada por: 1F 1 (a; b; x) Γ (b) 1 t a 1 (1 t) b a 1 exp ( xt) dt, (2.14) Γ (b a) Γ (a) com < a < b e b, 1, 2,....
25 25 A função hipergeométrica confluente é também conhecida como função de Kummer tipo I. Assim, é comum encontrar outras notações para essa função, a saber: 1 F 1 (a; b; x) Φ (a, b; x) M (a, b; x). Outra função pertencente à classe das funções hipergeométricas é a função de Kummer do tipo II, ou função tricomi, definida por: Ψ (a, b; x) 1 Γ(a) em que a > e x >. U (a, b; x) para referenciar a função (2.15). Casos especiais incluem: t a 1 (t + 1) b a 1 exp ( xt) dt, (2.15) É comum encontrar na literatura a notação (i) Quando os dois parâmetros são iguais a função de Kummer se reduz a uma função exponencial, M (a, a; x) exp (x); (ii) Se o parâmetro do numerador é igual a, a função de Kummer é igual a 1, M (, b; x) 1; (iii) A função gama incompleta é um caso particular da função de Kummer, γ (a, x) xa M (a, a + 1; x); a (iv) Γ (a, x) x a exp ( x) Ψ (1, a + 1; x). e) Função cilíndrica parabólica A função cilíndrica parabólica de argumento x e ordem υ <, denotada por D υ (x), é a função definida por: D υ (x) 2υ/2 exp ( x 2 /4 ) Γ ( υ/2) ( t (1+υ/2) (1 + t) υ/2 1/2 x 2 ) t exp dt. 2 (2.16) As propriedades dessas funções especiais podem ser vistas em Beals e Wong (21), Oldham, Myland e Spanier (29) e Prudnikov e Marichev (1998).
26 26 Serão ainda utilizados os importantes lemas: Lema 2.1 (Equação , PRUDNIKOV; MARICHEV, 1998, volume 1). Se a >, a x α 1 (a x) β 1 exp ( px) dx B (α, β) a α+β 1 1F 1 (α; α + β; ap). Lema 2.2 (Equação , PRUDNIKOV; MARICHEV, 1998, volume 1). Se α > e β >, x α 1 exp ( rx 2 qx ) ( ) ( ) q dx Γ(α)(2r) α/2 2 q exp D α. 8r 2r Lema 2.3 (Equação , PRUDNIKOV; MARICHEV, 1998, volume 1). Se q >, ( x α 1 exp rx q ) ( q ) α/2 dx 2 Kα (2 rq). x r 2.3 Distribuição beta do tipo II A partir da expressão (2.8) defini-se a função densidade de probabilidade, fdp, beta do tipo II da seguinte forma: Definição 2.1 Uma variável aleatória X tem distribuição beta tipo II, denotada por BII (p, q, λ), se tem função densidade de probabilidade da forma: f X (x) λq B (p, q) xp 1 (λ + x) (p+q) (2.17) em que x > e p, q, λ > (BALAKRISHNAN; LAI, 29). O n-ésimo momento de X é dado por:
27 27 E [X n ] x n f X (x) dx x n λ q B (p, q) xp 1 (λ + x) (p+q) dx E [X n ] λq B (p, q) λq B (p + n, q n) λ q n B (p, q) x (p+n) 1 (λ + x) (p+q) dx λ q n B (p + n, q n) x(p+n) 1 (λ + x) (p+q) dx n B (p + n, q n) λ. (2.18) B (p, q) Em particular, a média e a variância são: B (p + 1, q 1) E [X] λ B (p, q) λ Γ (p + 1) Γ (q 1) Γ (p + q) λ p Γ (p) Γ (q 1) Γ (p) (q 1) Γ (q 1) Γ (p + q) Γ (p) Γ (q) λp (q 1) ; (2.19) V ar [X] E [ X 2] {E [X]} 2 2 B (p + 2, q 2) λ B (p, q) λ2 Γ (p + 2) Γ (q 2) Γ (p + q) [ λp (q 1) ] 2 Γ (p + q) Γ (p) Γ (q) [ λp (q 1) ] 2
28 28 [ V ar [X] λ2 p (p + 1) (q 1) (q 2) λp (q 1) λ2 p (p + q 1) (q 1) 2 (q 2). (2.2) A Figura 3 ilustra a forma da fdp beta do tipo II, para λ 5, 5, p 3 e q, 9. ] 2 Figura 3 Distribuição beta tipo II 2.4 Modelos de probabilidade univariados Os dados de chuva tanto do ponto de vista de sua ocorrência quanto da sua quantidade podem ser analisados pela obtenção das freqüências observadas dos seus registros históricos ou através da elaboração de um modelo teórico (ASSIS; VILLA-NOVA, 1994). A precipitação pluviométrica em um determinado local pode ser prevista em termos probabilísticos, mediante modelos teóricos de distribuição, ajustados a uma série de dados. Os modelos gerados, após a comprovação da aderência dos dados à distribuição teórica, podem fornecer informações úteis para o planejamento de muitas atividades.
29 29 Vários estudos de modelagem envolvendo dados de chuva estão disponíveis na literatura. Nestes trabalhos consideram - se os eventos: sequências de dias sem chuvas, sequências de dias com chuvas. Diferentes modelos univariados, discretos e contínuos, têm sido utilizados para descrever o comportamento desses dados e grande parte desses estudos apontam a distribuição gama, como o meio probabilístico mais confiável na determinação de totais mensais de precipitação. Assis e Villa Nova (1994) utilizaram as distribuições binomial negativa truncada e gama para a modelagem das probabilidades de sequências de dias sem chuva ou com chuva, na cidade de Piracicaba, SP. Os autores concluíram que a ocorrência de dias com chuva e sem chuva podem ser modelados pela distribuição binomial negativa truncada e quantidade de chuva nos dias com chuva foi ajustada adequadamente pela distribuição gama. Morais et al. (21) consideraram que a distribuição gama é indicada para o dimensionamento de sistemas de irrigação suplementar, em Lavras-MG, realçando a boa aderência dos dados de precipitação à distribuição gama incompleta. Catalunha et al. (21) analisaram o ajuste das distribuições de probabilidade exponencial, gama, log-normal (com dois e três parâmetros), normal e Weibull para os dados de precipitação diária e total no estado de Minas Gerais. Beijo, Muniz e Castro Neto (25) estudaram o tempo de retorno das precipitações máximas em Lavras - MG considerando a distribuição de valores extremos tipo I. Sampaio et al. (26) apresentam um estudo da estimativa e da distribuição da precipitação mensal provável para o Estado do Paraná. As séries foram ajustadas através das distribuições gama e log-normal. Os resultados obtidos mostraram que a distribuição gama ajustou-se mais adequadamente às condições pluviométricas do Estado, para o período e estações consideradas. Utilizando a distribuição gama, Weibull, normal, exponencial e log-normal, Silva et al. (27) verificaram que as distribuições gama e Weibull foram as que melhor descreveram a variação da probabilidade de ocorrência de precipitação diária, durante os meses do ano, em Santa Maria, RS. Embora sejam obtidos bons resultados com o uso de modelos univariados, esses modelos baseiam-se na pressuposição de que os eventos sejam independentes,
30 3 fato que não ocorre na prática. Se X representa o período de chuva e Y representa o período sem ocorrência de chuva, claramente X e Y estão correlacionados. Portanto é necessário o uso de um modelo bivariado para explicar o comportamento de X e Y que contemple a possível correlação existente entre esses dois eventos. 2.5 Modelos de probabilidade bivariados no estudo de processos hidrológicos Motivados pelo crescente uso na análise de dados não normais, vários tipos de distribuições bivariadas têm sido propostas na literatura: exponencial bivariado, gama bivariado, pareto bivariado, entre outros (BALAKRISHNAN; LAI, 29). No entanto, muitos desses modelos têm permanecido principalmente na forma de desenvolvimento teórico e raramente têm sido empregadas na análise de frequência hidrológica. Trabalhos pioneiros como o de Izawa (1965), fizeram com que as distribuições gama bivariadas fossem aplicadas no estudos de processos hidrológicos. Atualmente, esse modelo é um dos mais utilizados nessa área (YUE, 21). Considerando que X e Y se distribuem segundo um modelo bivariado f(, ), funções dessas variáveis aleatórias, expressas por U X + Y, P XY e Q X/(X + Y ) são importantes no estudo de determinados fenômenos hidrológicos (NADARAJAH, 25; NADARAJAH; GUPTA, 26c). Em particular, Se X representa a duração da seca e Y a duração do período sem ocorrência de seca, U X + Y denota o período climático, ou seja o tempo entre a ocorrência do próximo evento seca, e Q X/(X + Y ) a proporção do período de seca; Se X representa a duração da seca e Y representa a intensidade da seca, a variável aleatória P XY denotará a magnitude da seca; Se X denota a intensidade da chuva e Y denota a duração de chuva então P XY fornece a distribuição da quantidade de precipitação, ou seja, o volume de chuva nesse período.
31 31 Shiau, Feng e Nadarajah (27), apresentam um modelo gama bivariado construído a partir de cópulas para estudar a correlação entre as variáveis duração e intensidade da seca. Os resultados obtidos foram aplicados a dados de secas ocorridas em Yellow River no Norte da China. Nas subseções que se seguem são apresentados alguns modelos bivariados que têm sido aplicados em estudos de processos hidrológicos Distribuição gama bivariada de Mckay Uma variável aleatória (X, Y ) tem distribuição gama bivariada de Mckay se sua fdp conjunta é da forma: f (x, y) com a, p, q > e < x < y. a p+q Γ (p) Γ (q) xp 1 (y x) q 1 exp ( ay), (2.21) Sob esse modelo, as distribuições marginais de X e Y são dadas por: f (x) + x f (x, y) dy a p+q Γ (p) Γ (q) xp 1 a p+q Γ (p) Γ (q) xp 1 + x + x + a p+q Γ (p) Γ (q) xp 1 exp ( ax) a p+q a p+q Γ (p) Γ (q) xp 1 (y x) q 1 exp ( ay) dy (y x) q 1 exp ( ay) dy t q 1 exp ( at ax) dt + Γ (p) Γ (q) xp 1 exp ( ax) Γ (q) a q a p Γ (p) xp 1 exp ( ax). t q 1 exp ( at) dt
32 32 A marginal de Y é da forma: f (y) y f (x, y) dx ap+q exp ( ay) Γ (p) Γ (q) Usando o lema (2.1) segue que: Assim, y y y a p+q Γ (p) Γ (q) xp 1 (y x) q 1 exp ( ay) dx x p 1 (y x) q 1 dx. x p 1 (y x) q 1 dx B (p, q) y p+q 1 1F 1 (p; p + q; ). f (y) ap+q exp ( ay) B (p, q) y p+q 1 Γ (p) Γ (q) a p+q Γ (p) Γ (q) Γ (p) Γ (q) Γ (p + q) yp+q 1 exp ( ay) a p+q Γ (p + q) yp+q 1 exp ( ay). Portanto, a distribuição gama bivariada de Mckay possui marginais gama com parâmetros de forma p e p + q e mesmo parâmetro de escala a. Embora a distribuição tenha sido construída sob a hipótese de < x < y, Clarke (198), utiliza esse modelo em estudos de fenômenos hidrológicos, supondo que vazões, X, e precipitação, Y, têm distribuição gama bivariada, incorporando restrições físicas nas duas variáveis. Gupta e Nadarajah (26) deduzem as distribuições exatas das variáveis U X + Y, P XY e Q X/(X + Y ), quando é assumido que X e Y têm distribuição conjunta gama bivariada de Mckay.
33 Distribuição gama bivariada de Kibble A distribuição gama bivariada de Kibble apresenta fdp conjunta dada por: f (x, y) f α (x) f α (y) Γ (α) { } ( ) 1 ρ exp ρ (x + y) 2 xyρ (xyρ) (α 1)/2 I α 1 1 ρ 1 ρ (2.22) com x, y, ρ < 1, f α (t) 1 Γ (α) tα 1 exp ( t) e I α ( ) denota a função de Bessel de primeiro tipo e ordem ν. O parâmetro ρ é o coeficiente de correlação de Pearson. As distribuições marginais são gama com o mesmo parâmetro de forma α Distribuição gama bivariada de Izawa O modelo gama bivariado de Izawa é construído a partir de marginais gama com diferentes parâmetros de escala e forma. A fdp conjunta é definida como: ( ) (xy) (α1 1)/2 x (α 1 α 2 ) exp x+y 1 η f (x, y) Γ (α 1 ) Γ (α 1 α 2 ) (1 η) η (α 1 1)/2 1 (1 t) (α1 1)/2 t (α 1 α 2 1) exp ( ( ηxt )I α1 1 η em que α 1 α 2, η ρ α 1 /α 2, ρ < 1 e η < 1. 2 ) ηxy (1 t) dt 1 η Quando α 1 α 2 α a distribuição se reduz à distribuição de Kibble. (2.23) Distribuição gama bivariada de Moran Uma variável aleatória (X, Y ) tem distribuição conjunta gama bivariada de Moran se sua fdp conjunta é dada por
34 34 f (x, y) { } 1 (1 ρ 2 ) f (x) g (y) exp (ρx ) 2 2ρx y + (ρy ) 2 2 (1 ρ 2 ) (2.24) com x, y, x Φ 1 (F (x)), y Φ 1 (G (y)) e Φ é a função de distribuição da normal padrão. F é a distribuição marginal gama com parâmetro de forma α 1 e escala λ 1 e G é a outra marginal com distribuição gama com parâmetro de forma α 2 e parâmetro de escala λ Distribuição gama bivariada de Cherian Uma variável aleatória (X, Y ) tem distribuição gama bivariada de Cherian se sua fdp conjunta é dada por: f (x, y) exp [ (x + y)] Γ ( 1 ) Γ ( 2 ) Γ ( 3 ) em que x, y >, 1, 2, 3 >. min(x,y) (x z) 1 1 (y z) 2 1 z 3 1 exp (z) dz, (2.25) As distribuições marginais de X e Y são gama com parâmetros de forma α e α , respectivamente. Nadarajah e Gupta (26a) estudam o comportamento de dados de seca do Estado de Nebraska considerando a distribuição gama bivariada de Cherian Distribuição gama bivariada de Smith, Aldelfang e Tubbs A distribuição gama bivariada de Smith apresenta fdp conjunta da forma: f (x, y) xγ 1 1 y γ 2 1 exp [(x + y) / (1 η)] (1 η) γ 1 Γ (γ 1 ) Γ (γ 2 γ 1 ) k a k I γ2+k 1 ( 2 2ηxy 1 η ), (2.26)
35 35 onde a k (νy)k Γ (γ 2 γ 1 + k) (1 η) γ 2 1 k! (νxy) (γ, 2+k 1)/2 η é o parâmetro de dependência satisfazendo < η < 1, η ρ γ 2 /γ 1 e ρ é o coeficiente de correlação linear entre X e Y. Yue (21) estuda a aplicabilidade desta distribuição na análise de frequência das variáveis hidrológicas duração e volume. Yue, Ouarda e Bobee (21), apresentam uma revisão dos modelos (2.23), (2.24) e (2.26) apontando as vantagens e desvantagens de cada modelo no estudo de precipitação. Os parâmetros dos modelos são estimados a partir das distribuições marginais pelo método dos momentos. Usando dados reais de inundação os autores concluem que os modelos estudados são adequados para descrever características de inundação positivamente correlacionadas, como pico de cheias e inundações ou volume e duração da inundação Distribuição gama bivariada de Loáiciga e Leipnik Outra generalização da distribuição gama bivariada de Kibble com diferentes parâmetros de forma e escala foi introduzido por Loáiciga e Leipnik (25). A fdp conjunta é da forma f (x, y) n n n k j com x, y >, λ i λ i 1, λ i α i (n + γ) e ) A nkj x λ 1 +k n y λ 2 +j n exp ( xb1 yb2, (2.27) A nkj ( 1) n+k+j β n (n!) 2 b k+λ b j+λ Γ (λ 1 ) Γ (λ 2 ) ( γ n ) ( λ 1 n k ) ( λ 2 n j ), γα j e b j, j 1, 2, são os parâmetros de forma e escala, respectivamente, das distribuições marginais de X e Y, com α 1, α 2 ; γ é um parâmetro de forma, positivo, da distribuição conjunta. O modelo (2.27) foi proposto com o objetivo de analisar a qualidade da água,
36 36 através da correlação entre coliformes e estreptococos fecais. Considerando que X e Y se distribuem segundo esse modelo, os autores obtém um bom ajuste para a distribuição de probabilidade de X/Y para os dados de qualidade da água coletados de Las Palmas Creek, Santa Barbara, Califórnia. Nadarajah e Kotz (27) deduzem as distribuições da soma e do produto quando X e Y têm distribuição conjunta expressa pelo modelo de Loaiciga e Leipnik. Outros modelos bivariados, como exponencial e Pareto, também têm sido aplicados a estudos de hidrologia. Em particular, (a) Nadarajah e Gupta (26b) utilizam a distribuição exponencial bivariada de Friday e Patil para descrever a duração de períodos de seca e o período sem secas ocorridas no estado de Nebraska, USA; (b) Nadarajah e Kotz (26), deduzem a distribuição exata das variáveis U X + Y, P XY e Q X/(X + Y ) quando (X, Y ) seguem o modelo exponencial bivariado de Downton; (c) Nadarajah (28) deduz a distribuição da soma, produto e quociente sob a pressuposição que (X, Y ) são distribuídos segundo o modelo Pareto bivariado. Os resultados obtidos são aplicados a dados de seca do estado de Nebraska, USA Distribuição gama bivariada de Crovelli Dentre os diferentes modelos gama bivariados existentes na literatura, um modelo simples e flexível é o modelo de Crovelli, (ver BALAKRISHNAN; LAI, 29) cuja função densidade de probabilidade conjunta é dada a seguir: αβ exp ( βy) [1 exp ( αx)] se αx βy f (x, y) αβ exp ( αx) [1 exp ( βy)] se βy αx (2.28) sendo que x >, y >, α > e β >. Apesar de ter sido apresentado na década de 7, o modelo não tem sido estudado, suas propriedades não têm
37 37 sido trabalhadas e, na literatura especializada, encontra-se apenas referência à sua existência. Neste trabalho são apresentadas algumas propriedades desse modelo e deduzidas distribuições das variáveis U X + Y, P XY e Q X/(X + Y ) e seus respectivos momentos, quando (X, Y ) se distribuem segundo o modelo gama bivariado de Crovelli Distribuição exponencial bivariada Gumbel tipo I Outro modelo bivariado que apresenta alguns estudos em aberto é o modelo exponencial bivariado Gumbel tipo I cuja função densidade de probabilidade conjunta é dada a seguir: f(x, y) [(1 + x) (1 + y) ] exp [ (x + y + xy)], (2.29) em que x, y e 1. As densidades marginais de X e de Y têm distribuição exponencial. Balakrishnan e Lai (29) apresentam algumas propriedades e aplicações desse modelo. Neste trabalho são deduzidas importantes propriedades da distribuição exponencial bivariada Gumbel tipo I. 2.6 Construindo distribuições bivariadas Diferentes métodos de obtenção de distribuições bivariadas são encontrados na literatura. Nas seções a seguir são apresentados alguns desses métodos Transformação de variáveis Seja (X, Y ) um vetor aleatório com função densidade de probabilidade conjunta f(x, y). Seja G uma função G : R 2 R 2 injetiva com dois componentes G(x, y) (u, v), Mood, Graybill e Boes (1974). Cada um desses componentes é
38 38 função das variáveis aleatórias (X, Y ), tal que: U g 1 (X, Y ) e V g 2 (X, Y ) e g 1 e g 2 devem possuir derivadas parciais em relação a x e a y. O objetivo é determinar a função densidade de probabilidade conjunta de (U, V ) a partir da densidade conjunta de (X, Y ). Como G tem inversa, pode-se escrever: x g 1 1 (u, v), y g 1 2 (u, v). Desse modo, a densidade conjunta de (U, V ) é dada por: f (u, v) J f X,Y [ g 1 1 (u, v), g 1 2 (u, v) ], (2.3) em que J representa o valor absoluto do determinante Jacobiano dado por: J g 1 1 (u, v) u g 1 2 (u, v) u g 1 1 (u, v) v g 1 2 (u, v) v Esse método será muito utilizado nas seções posteriores para o cálculo das densidades de U X + Y, P XY e Q X/(X + Y ) quando (X, Y ) têm distribuição conjunta f(, ). Um exemplo de uma distribuição obtida por esse método é a distribuição gama bivariada de Mckay. Para isso, suponha X e Y as variáveis aleatórias independentes, com distribuição beta de parâmetros a e b e distribuição gama com parâmetro de forma a + b e parâmetro de escala α, respectivamente. Assim, X Beta (a, b) f X (x). 1 B (a, b) xa 1 (1 x) b 1, (2.31)
39 39 Y Gama (a + b, α) f Y (y) αa+b Γ (a + b) ya+b 1 exp ( αy),(2.32) em que, < x < 1, y >, a >, b > e α >. por: assim, Da independência de X e Y segue que a distribuição conjunta f(x, y) é dada f (x, y) f (x) f (y) 1 B (a, b) xa 1 (1 x) b 1 αa+b Γ (a + b) ya+b 1 exp ( αy) Γ (a + b) Γ (a) Γ (b) xa 1 (1 x) b 1 α a+b Γ (a + b) ya+b 1 exp ( αy) α a+b Γ (a) Γ (b) xa 1 (1 x) b 1 y a+b 1 exp ( αy). (2.33) Considere as variáveis aleatórias definidas por: U XY e V Y. Temos y v e x u v. O Jacobiano da transformação é dado por: J x u y u x v y v 1 v u v v. Desse modo, a fdp conjunta de (U, V ) é dada por: f (u, v) 1 v αa+b ( u ) a 1 ( 1 u ) b 1 v a+b 1 exp ( αv) Γ (a) Γ (b) v v 1 v αa+b Γ (a) Γ (b) ua 1 v 1 a (v u) b 1 v 1 b v a+b 1 exp ( αv) α a+b Γ (a) Γ (b) ua 1 (v u) b 1 exp ( αv), (2.34) para u v e v >. A fdp (2.34) corresponde à distribuição gama bivariada de
40 4 Mckay, modelo (2.21) Método da transformação marginal O método da transformação é uma técnica de mudança de variáveis onde a transformação é feita nas distribuições marginais. Ou seja, partindo de uma função de distribuição bivariada F (x, y), com densidade f (x, y), aplicamos transformações monótonas nas densidades marginais X X e Y Y, de modo que a nova distribuição F (x, y ) tenha a mesma estrutura bivariada que a distribuição original e com marginais diferentes, Balakrishnan e Lai (29). Considere a seguinte transformação: (x, y) (f (x), g (y)), f e g são funções monótonas crescentes. Tem-se que: z 1 f (x) x f 1 (z 1 ), z 2 g (y) y g 1 (z 2 ). O Jacobiano da transformação é dado por: J f 1 (z 1 ) z 1 f 1 (z 1 ) z 2 g 1 (z 2 ) z 1 g 1 (z 2 ) z 2. (2.35) Desse modo, a distribuição conjunta de (Z 1, Z 2 ) é da forma: ( f (z 1, z 2 ) J f X,Y f 1 (z 1 ), g 1 (z 2 ) ) ( f 1) (z1 ) (g 1) ( (z2 ) f X,Y f 1 (z 1 ), g 1 (z 2 ) ). (2.36) As densidades marginais de Z 1 e Z 2 são obtidas por integração de (2.36). Assim: + f (z 1 ) f Z1,Z 2 (z 1, z 2 ) dz 2
41 41 f (z 1 ) + ( f 1 ) (z1 ) (g 1) (z2 ) f X,Y ( f 1 (z 1 ), g 1 (z 2 ) ) dz 2. Considere w g 1 (z 2 ), então, dw ( g 1) (z2 ). Portanto, f (z 1 ) ( f 1) (z1 ) + f X,Y ( f 1 (z 1 ), w ) dw ( f 1) ( (z1 ) f X f 1 (z 1 ) ), que é a densidade da variável f(x). No caso univariado, um exemplo familiar é a transformação da distribuição normal na distribuição lognormal. Se X N ( µ, σ 2) e Y exp (X), então Y LN ( µ, σ 2) Variáveis em comum e técnicas de redução trivariada Os termos "redução trivariada" ou "variáveis em comum" são utilizados para técnicas de construção de pares de variáveis aleatórias a partir da combinação de três ou mais variáveis. A idéia é criar um par de variáveis dependentes de três ou mais variáveis aleatórias. Em muitos casos, essas variáveis iniciais são independentes, mas ocasionalmente podem ser dependentes (BALAKRISHNAN; LAI, 29). Sejam X i (i 1,..., 3) variáveis aleatórias independentes com função de distribuição F i (x i ; λ i ). As funções de distribuição são frequentemente assumidas ser da mesma família, porém isso não é uma condição necessária para aplicação do método, os parâmetros λ i podem ser diferentes. Suponha que exista uma função T, T : R 3 R 2, tal que: { X T 1 (X 1, X 2, X 3 ) Y T 2 (X 1, X 2, X 3 )
42 42 Então diz-se que X e Y têm distribuição bivariada gerada por uma redução trivariada. Uma definição restrita, porém muito utilizada, é: { X X 1 + X 3 Y X 2 + X 3 (2.37) em que X 1, X 2 e X 3 são independentes e identicamente distribuídos (i.i.d). A distribuição normal bivariada pode ser obtida a partir do modelo aditivo, em (2.37), considerando os X i com distribuição normal. Outro modelo bivariado que pode ser obtido por esse método é a distribuição gama bivariada de Cherian. Sejam Z 1, Z 2 e Z 3 variáveis aleatórias i.i.d com distribuição gama cuja função densidade de probabilidade é dada por: f (z i ) 1 Γ ( i ) z i 1 i exp ( z i ), z i >, i > (i 1, 2, 3). Como os Z i são independentes, por hipótese, a função densidade de probabilidade conjunta de (Z 1, Z 2, Z 3 ) é dada pelo produto das distribuições marginais, ou seja, f (z 1, z 2, z 3 ) f (z 1 ) f (z 2 ) f (z 3 ) exp [ (z 1 + z 2 + z 3 )] z z z (2.38) Γ ( 1 ) Γ ( 2 ) Γ ( 3 ) Considere as variáveis X e Y definidas por: { X Z 1 + Z 3 Z 1 X Z 3 Y Z 2 + Z 3 Z 2 Y Z 3 De (2.38), tem-se que a fdp conjunta de (X, Y, Z 3 ) é: f (x, y, z 3 ) exp [ (x z 3 + y z 3 + z 3 )] Γ ( 1 ) Γ ( 2 ) Γ ( 3 ) (x z 3 ) 1 1 (y z 3 ) 3 1 z 3 1 3
ALGUMAS PROPRIEDADES DA DISTRIBUIÇÃO EXPONENCIAL BIVARIADA GUMBEL TIPO I COM UMA APLICAÇÃO A DADOS
ALGUMAS PROPRIEDADES DA DISTRIBUIÇÃO EXPONENCIAL BIVARIADA GUMBEL TIPO I COM UMA APLICAÇÃO A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA Jailson de Araujo RODRIGUES 1 Ana Paula Coelho Madeira SILVA 1 Lucas Monteiro
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
CONDIÇÕES DE SECA NO ESTADO DE SÃO PAULO
CONDIÇÕES DE SECA NO ESTADO DE SÃO PAULO Orivaldo Brunini - PqC -VI-IAC-APTA- Coordenador-CIIAGRO-Vice-Presidente CagM/OMM Número: 001/20 Período de análise: 01/01/2018 a 31/05/2018 1- ASPECTOS GERAIS
DISTRIBUIÇÕES BIVARIADAS GAMA, EXPONENCIAL E A DISTRIBUIÇÃO BETA TIPO II UNIVARIADA APLICADAS A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA
JAILSON DE ARAUJO RODRIGUES DISTRIBUIÇÕES BIVARIADAS GAMA, EXPONENCIAL E A DISTRIBUIÇÃO BETA TIPO II UNIVARIADA APLICADAS A DADOS DE PRECIPITAÇÃO PLUVIOMÉTRICA LAVRAS - MG 213 JAILSON DE ARAUJO RODRIGUES
JAIME DOS SANTOS FILHO FUNÇÕES DENSIDADE DE PROBABILIDADE PARA ESTIMAÇÃO DE VERANICOS NO MUNICÍPIO DE LAVRAS - MG
JAIME DOS SANTOS FILHO FUNÇÕES DENSIDADE DE PROBABILIDADE PARA ESTIMAÇÃO DE VERANICOS NO MUNICÍPIO DE LAVRAS - MG LAVRAS MG 2013 JAIME DOS SANTOS FILHO FUNÇÕES DENSIDADE DE PROBABILIDADE PARA ESTIMAÇÃO
Par de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
IND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Situação de Seca Meteorológica 31 Agosto 2016
Situação de Seca Meteorológica 31 Agosto 2016 1. PRECIPITAÇÃO EM AGOSTO PRECIPITAÇÃO O valor médio da quantidade de precipitação em agosto, 4.5 mm, foi inferior ao normal o que permite classificar este
Situação de Seca Meteorológica 30 Setembro 2016
Situação de Seca Meteorológica 30 Setembro 2016 1. TEMPERATURA EM SETEMBRO O mês de setembro 2016, em Portugal Continental foi muito quente e seco. O valor médio da temperatura média do ar foi de 21.51
PRECIPITAÇÕES EXTREMAS
GPA CIÊNCIAS AGRÁRIAS, BIOLÓGICAS E ENGENHARIAS PRECIPITAÇÕES EXTREMAS Eng. Walter Corrêa Carvalho Junior, Esp. Cálculos Pluviométricos; Conteúdo da Aula Cálculo de Chuvas Máximas (Eventos Extremos). Com
10.3 Métodos estatísticos
10.3 Métodos estatísticos O estudo de VAZÕES MÁXIMAS pode ser realizado através de DISTRIBUIÇÕES ESTATÍSTICAS DE VARIÁVEIS CONTÍNUAS Métodos: - Distribuição de Gumbel - Distribuição Exponencial de dois
Situação de Seca Meteorológica 31 Outubro 2016
Situação de Seca Meteorológica 31 Outubro 2016 1. TEMPERATURA EM OUTUBRO O mês de outubro 2016, em Portugal Continental foi quente e seco. O valor médio da temperatura média do ar foi de 17.62 C, +1.41
DANIELLE GONÇALVES DE OLIVEIRA PRADO AS DISTRIBUIÇÕES GAMA BIVARIADA E GAMA PARETO NA MODELAGEM DE PERÍODOS DE SECA
DANIELLE GONÇALVES DE OLIVEIRA PRADO AS DISTRIBUIÇÕES GAMA BIVARIADA E GAMA PARETO NA MODELAGEM DE PERÍODOS DE SECA LAVRAS MG 2012 DANIELLE GONÇALVES DE OLIVEIRA PRADO AS DISTRIBUIÇÕES GAMA BIVARIADA E
Situação de Seca Meteorológica 30 Novembro 2015
Situação de Seca Meteorológica 30 Novembro 2015 1. PRECIPITAÇÃO DE NOVEMBRO 2015 O valor médio da quantidade de precipitação em novembro foi de 53.6 mm, valor inferior ao valor normal o que permite classificar
Estudo da ocorrência de veranicos em Lavras - MG
Estudo da ocorrência de veranicos em Lavras - MG Jaime dos Santos Filho 16 Jailson de Araújo Rodrigues 2 6 Ana Paula C. Madeira Silva 3 Joel Augusto Muniz 4 Luiz Gonsaga de Carvalho 5 1- Introdução O conhecimento
10. Aplicação das Técnicas de Probabilidade e Estatística em Hidrologia
10.1. Determinação do valor de projeto Em favor da segurança, geralmente as obras de recursos hídricos são dimensionadas para valores extremos ou característicos que garantam ao mesmo tempo a segurança
Situação de Seca Meteorológica 31 outubro 2015
Situação de Seca Meteorológica 31 outubro 2015 1. PRECIPITAÇÃO DE OUTUBRO 2015 O valor médio da quantidade de precipitação em outubro foi de 147.1 mm, valor superior ao valor normal (98.2 mm) o que permite
Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
DETERMINAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS PARA O MUNICÍPIO DE ALHANDRA, PARAÍBA
DETERMINAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS PARA O MUNICÍPIO DE ALHANDRA, PARAÍBA Matheus Patrick Araújo da Silva ¹; Gabriel Carlos Moura Pessoa²; José Joaquim de Souza Neto³; Raniele Adame
11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017
ESTUDO DA INTENSIDADE DE PRECIPITAÇÃO PARA A CIDADE DE UBERABA Andréia Cristina da Silva¹, André Luís Teixeira Fernandes², Leonardo Campos Assis³. 1 Acadêmica do curso de Engenharia Ambiental da Universidade
Geração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
ANÁLISE DE DISTRIBUIÇÕES DE PROBABILIDADES E ESTIMATIVA DA Q 7,10 PARA A REGIÃO DO RIO ITABAPOANA, ESPÍRITO SANTO/RIO DE JANEIRO. LEANDRO CAMPOS PINTO 1, EWERTON FELIPE DO PRADO MACHADO 2 ; CARLOS ROGÉRIO
Situação de Seca Meteorológica 30 Novembro 2016
Situação de Seca Meteorológica 30 Novembro 2016 1. TEMPERATURA O mês de novembro de 2016, em Portugal Continental, classificou-se como normal quer em relação à quantidade de precipitação, quer em relação
Situação de Seca Meteorológica 30 Abril 2016
Situação de Seca Meteorológica 30 Abril 2016 1. PRECIPITAÇÃO DE ABRIL O valor médio da quantidade de precipitação em abril foi de 136.5 mm, valor muito acima do valor médio o que permite classificar este
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Lucio Alberto Pereira 1 ; Roseli Freire de Melo 1 ; Luiza Teixeira de Lima Brito 1 ; Magna Soelma Beserra de Moura 1. Abstract
Influência do Clima no Balanço Hídrico de Dois Açudes de Petrolina, Pernambuco Climate Influence on Water Balance of Two Dams in Petrolina, Brazil Lucio Alberto Pereira 1 ; Roseli Freire de Melo 1 ; Luiza
MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
ANÁLISE DA PRECIPITAÇÃO E DO NÚMERO DE DIAS DE CHUVA NO MUNICÍPIO DE PETROLINA - PE
CAPTAÇÃO E MANEJO DE ÁGUA DE CHUVA PARA SUSTENTABILIDADE DE ÁREAS RURAIS E URBANAS TECNOLOGIAS E CONSTRUÇÃO DA CIDADANIA TERESINA, PI, DE 11 A 14 DE JULHO DE 2 ANÁLISE DA PRECIPITAÇÃO E DO NÚMERO DE DIAS
MOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Situação de Seca Meteorológica 31 Março 2016
Situação de Seca Meteorológica 31 Março 2016 1. PRECIPITAÇÃO DE MARÇO O valor médio da quantidade de precipitação em fevereiro foi de 67.0 mm, valor próximo do valor médio o que permite classificar este
MODELAGEM PROBABILÍSTICA PARA A EVAPOTRANSPIRAÇÃO POTENCIAL MENSAL, EM MOSSORÓ-RN
MODELAGEM PROBABILÍSTICA PARA A EVAPOTRANSPIRAÇÃO POTENCIAL MENSAL, EM MOSSORÓ-RN Janilson Pinheiro de Assis¹, Roberto Pequeno de Sousa 2, Paulo César Ferreira Linhares 3 Introdução Entre as variáveis
Estatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro
COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
USO DE DISTRIBUIÇÕES DE PROBABILIDADE NA MODELAGEM DE INTENSIDADE DE SECAS OCORRIDAS EM LARANJEIRAS DO SUL, PR
USO DE DISTRIBUIÇÕES DE PROBABILIDADE NA MODELAGEM DE INTENSIDADE DE SECAS OCORRIDAS EM LARANJEIRAS DO SUL, PR Jailson de Araujo RODRIGUES 1 Ana Paula Coelho Madeira SILVA 2 Jaime dos SANTOS FILHO 3 RESUMO:
Análise estatística da precipitação máxima diária anual da cidade de Uberaba e vazão mínima diária anual do Rio Uberaba
Revista Agrogeoambiental v4n3, dezembro 202 Análise estatística da precipitação máxima diária anual da cidade de Uberaba e vazão mínima diária anual do Rio Uberaba Michael Silveira Thebaldi* * Universidade
Mais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais
Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais Bruna Queiroz de Melo Prado 1 Heverton Rodrigues Fernandes 2 Tatiane Gomes Araújo 3 Nádia Giarette Biase 4
Estatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
ANÁLISE DA PLUVIOMETRIA NO MUNICÍPIO DE AREIA- PB: I- ESTUDO DO INÍCIO DURAÇÃO E TÉRMINO DA ESTAÇÃO CHUVOSA E OCORRÊNCIA DE VERANICOS RESUMO
ANÁLISE DA PLUVIOMETRIA NO MUNICÍPIO DE AREIA- PB: I- ESTUDO DO INÍCIO DURAÇÃO E TÉRMINO DA ESTAÇÃO CHUVOSA E OCORRÊNCIA DE VERANICOS José F. da COSTA FILHO 1, José F. VELOSO JUNIOR 2, José Carlos A. DA
Capítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
CC54Z - Hidrologia. Definições, aspectos gerais e o ciclo hidrológico. Universidade Tecnológica Federal do Paraná
Universidade Tecnológica Federal do Paraná CC54Z - Hidrologia Definições, aspectos gerais e o ciclo hidrológico Prof. Fernando Andrade Curitiba, 2014 Objetivos da aula Definir hidrologia e engenharia hidrológica
ESTUDO DAS PRECIPITAÇÕES MÁXIMAS PARA O MUNICIPIO DE MOSSORÓ-RN, BRASIL STUDY FOR MAXIMUM RAINFALL ON MUNICIPALITY OF MOSSORÓ- RN, BRAZIL
Revista Brasileira de Agricultura Irrigada v.6, nº. 1, p 3-7, 2012 ISSN 1982-7679 (On-line) Fortaleza, CE, INOVAGRI http://www.inovagri.org.br Protocolo 070/11 09/11/2011 Aprovado em 19/03/2012 ESTUDO
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Equações De Chuvas Intensas Para Os Municípios De Maceió E Arapiraca - AL
Equações De Chuvas Intensas Para Os Municípios De Maceió E Arapiraca - AL Temístocles Pacheco Lima¹; Fabrina Teixeira Ferraz 2 ; Luciano Cavalcante de Jesus França 3 ; Gabriel Soares Lopes Gomes 4 ; João
DISTRIBUIÇÃO TEMPORAL DE CHUVAS INTENSAS EM PIRACICABA, SP Ronalton Evandro Machado 1 *; Liebe Santolin Ramos Rittel Bull 2 ; Paulo César Sentelhas 3
DISTRIBUIÇÃO TEMPORAL DE CHUVAS INTENSAS EM PIRACICABA, SP Ronalton Evandro Machado 1 *; Liebe Santolin Ramos Rittel Bull 2 ; Paulo César Sentelhas 3 Resumo O estudo da variação temporal de chuvas intensas
BOLETIM CLIMÁTICO Nº 42
BOLETIM CLIMÁTICO Nº 42 SETEMBRO DE 2016 1. DESCRIÇÕES E CARACTERIZAÇÃO DO LOCAL Localidade: IFSULDEMINAS Campus Muzambinho Estação Meteorológica: Davis Vantage Pro 2 Latitude: 21 o 20 47 S e Longitude:
LEVANTAMENTO DE DADOS DECORRENTES DA DESAGREGAÇÃO DE CHUVAS DIÁRIAS PLUVIOMETRICAS DO MUNICÍPIO DE PATOS PB
LEVANTAMENTO DE DADOS DECORRENTES DA DESAGREGAÇÃO DE CHUVAS DIÁRIAS PLUVIOMETRICAS DO MUNICÍPIO DE PATOS PB Natanael Batista Pereira Alves 1 ; Isabel Alves Pimenta Gabriel 2 ; Alice Pedrosa Correia 3 ;
Modelagem dos níveis máximos de radiação solar global de Piracicaba-SP
Modelagem dos níveis máximos de radiação solar global de Piracicaba-SP Carlos José dos Reis 1 3 Luiz Alberto Beijo 2 1 Introdução A ocorrência de eventos climáticos extremos, que ocasionam impactos ambientais,
Hidrologia. 3 - Coleta de Dados de Interesse para a Hidrologia 3.1. Introdução 3.2. Sistemas clássicos Estações meteorológicas
Hidrologia 1 - Introdução 1.1. Generalidades 1.2. Ciclo hidrológico 1.3. Métodos de estudos 1.4. Exemplos de aplicações da hidrologia à engenharia 2 - Fundamentos Geofísicos da Hidrologia 2.1. A atmosfera
Sumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Métodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
CARACTERIZAÇÃO DAS SECAS NO ESTADO DO PARANÁ
CARACTERIZAÇÃO DAS SECAS NO ESTADO DO PARANÁ Lopardo, Nicolás 1 *; Kaviski, Eloy 2 ; Grimm, Alice M. 3 Resumo O objetivo principal deste estudo é analisar a seca no Estado do Paraná, através da precipitação.
Probabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
A DISTRIBUIÇÃO BETA BINOMIAL NEGATIVA. Ana Paula Coelho Madeira SILVA 1 Lucas Monteiro CHAVES 1
A DISTRIBUIÇÃO BETA BINOMIAL NEGATIVA Ana Paula Coelho Madeira SILVA Lucas Monteiro CHAVES RESUMO: Os modelos de mistura de distribuições são métodos flexíveis de modelar funções de distribuições de probabilidades
Geração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ ESALQ/USP LEB 1440 HIDROLOGIA E DRENAGEM Prof. Fernando Campos Mendonça PRECIPITAÇÕES
Hidrologia e Drenagem Aula 3 1 ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ ESALQ/USP LEB 1440 HIDROLOGIA E DRENAGEM Prof. Fernando Campos Mendonça PRECIPITAÇÕES 1. Importância dos dados de chuva Exemplos:
CONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Estudo da precipitação pluviométrica no período seco e chuvoso do município de Sete Lagoas, MG
Estudo da precipitação pluviométrica o período seco e chuvoso do muicípio de Sete Lagoas, MG Aa Paula Coelho Madeira Silva 13 Jailso de Araujo Rodrigues 2 Jaime dos Satos Filho 2 1 Itrodução A precipitação
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Distribuições Alternativas de Probabilidade Para Modelos Univariados não Gaussianos de Produtividade
Distribuições Alternativas de Probabilidade Para Modelos Univariados não Gaussianos de Produtividade Caroline Oliveira Santos João Domingos Scalon UFLA 1º Workshop do Projeto PROCAD No Brasil, ainda não
Probabilidade de Ocorrência de Dias Chuvosos e Precipitação Mensal e Anual para o Município de Domingos Martins-ES
Probabilidade de Ocorrência de Dias Chuvosos e Precipitação Mensal e Anual para o Município de Domingos Martins-ES Gizella Carneiro Igreja 1,5, José Geraldo Ferreira da Silva 2,6, Eduardo Morgan Uliana
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
BOLETIM CLIMÁTICO Nº 46
BOLETIM CLIMÁTICO Nº 46 JANEIRO DE 2017 1. DESCRIÇÕES E CARACTERIZAÇÃO DO LOCAL Localidade: IFSULDEMINAS Campus Muzambinho Estação Meteorológica: Davis Vantage Pro 2 Latitude: 21 o 20 47 S e Longitude:
ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)
ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) Stênio R. Lima (bolsista do ICV-UFPI), Fernando F. Nascimento (orientador, Dept. de Estatística - UFPI)
MONITORIZAMOS CONTRIBUÍMOS O TEMPO O CLIMA A ACTIVIDADE SÍSMICA. PARA UM MUNDO MAIS SEGURO e UM DESENVOLVIMENTO SUSTENTÁVEL. à frente do nosso tempo
MONITORIZAMOS O TEMPO O CLIMA A ACTIVIDADE SÍSMICA CONTRIBUÍMOS PARA UM MUNDO MAIS SEGURO e UM DESENVOLVIMENTO SUSTENTÁVEL 29 de PARA Mai de 2009 UM I CONGRESSO MUNDO INTERNACIONAL MAIS DE RISCOS, SEGURO
Modelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
HIDROLOGIA AULA 14 HIDROLOGIA ESTATÍSTICA. 5 semestre - Engenharia Civil. Profª. Priscila Pini
HIDROLOGIA AULA 14 5 semestre - Engenharia Civil HIDROLOGIA ESTATÍSTICA Profª. Priscila Pini prof.priscila@feitep.edu.br INTRODUÇÃO Chuva e vazão Grande variabilidade no tempo! Estatística em Hidrologia:
Distribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG
Distribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo
Universidade Tecnológica Federal do Paraná. CC54Z - Hidrologia. Introdução a hidrologia estatística. Prof. Fernando Andrade Curitiba, 2014
Universidade Tecnológica Federal do Paraná CC54Z - Hidrologia Introdução a hidrologia estatística Prof. Fernando Andrade Curitiba, 2014 Objetivos da aula Revisar estatística básica aplicada a hidrologia
APTIDÃO AGROCLIMÁTICA DA MICROBACIA HIDROGRÁFICA DO RIO ITAUEIRA NO MUNICÍPIO DE FLORIANO, PI RESUMO
APTIDÃO AGROCLIMÁTICA DA MICROBACIA HIDROGRÁFICA DO RIO ITAUEIRA NO MUNICÍPIO DE FLORIANO, PI Milcíades Gadelha de LIMA 1 RESUMO Foram utilizados os seguintes critérios para classificar a microbacia hidrográfica
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS NA DETERMINAÇÃO DE VAZÕES MÁXIMAS E MÍNIMAS PARA O RIO ITABAPOANA - ESPÍRITO SANTO/RIO DE JANEIRO LEANDRO CAMPOS PINTO 1, CARLOS ROGÉRIO DE MELLO 2, ANTÔNIO MARCIANO
Vetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA
Introdução 1 PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA Fenômeno - MODELO MATEMÁTICO Q = L.H 3/2 F= γ.h.a Ênfase: forma da expressão relação entre : L e H Q γ, h e A F Aula 1 Introdução 2 HIDROLOGIA " É
TE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
BOLETIM CLIMÁTICO Nº 69
BOLETIM CLIMÁTICO Nº 69 DEZEMBRO DE 2018 1. DESCRIÇÕES E CARACTERIZAÇÃO DO LOCAL Localidade: IFSULDEMINAS Campus Muzambinho Estação Meteorológica: Davis Vantage Pro 2 Latitude: 21 o 20 47 S e Longitude:
4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado
1 Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito
Especialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Estudo dos Eventos de Seca Meteorológica na Região Sul do Brasil
TRABALHO DE CONCLUSÃO DE CURSO Estudo dos Eventos de Seca Meteorológica na Região Sul do Brasil Priscila Bogo Pessini Orientador: Professor Dr. Pedro Luiz Borges Chaffe Coorientador: Vinícius Bogo Portal
Econometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
13 DOTAÇÕES DE REGA 13.1 Introdução 13.2 Evapotranspiração Cultural 13.3 Dotações de Rega 13.4 Exercícios Bibliografia
PREFÁCIO 1 INTRODUÇÃO À HIDROLOGIA E AOS RECURSOS HÍDRICOS 1.1 Conceitos Gerais 1.2 Breve Nota Sobre a Evolução da Ciência da Hidrologia 1.2.1 A hidrologia na Antiguidade Oriental 1.2.2 A hidrologia na
HIDROLOGIA AULA semestre - Engenharia Civil EVAPOTRANSPIRAÇÃO. Profª. Priscila Pini
HIDROLOGIA AULA 08 5 semestre - Engenharia Civil EVAPOTRANSPIRAÇÃO Profª. Priscila Pini prof.priscila@feitep.edu.br CONCEITOS Retorno da água precipitada para a atmosfera, fechando o ciclo hidrológico.
Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Modelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
CHUVAS INTENSAS NO MUNICÍPIO DE IRECÊ-BA
CHUVAS INTENSAS NO MUNICÍPIO DE IRECÊ-BA Mariana Lima Figueredo¹; Fagna Maria Silva Cavalcante²; Igor Bruno Machado dos Anjos 3; Sara Alves de Carvalho Araújo Guimarães 4 ; Manoel Moisés Ferreira de Queiroz
ESTIMATIVA DA EVAPOTRANSPIRAÇÃO POTENCIAL NO BRASIL
ESTIMATIVA DA EVAPOTRANSPIRAÇÃO POTENCIAL NO BRASIL Viliam Cardoso da Silveira Universidade Federal de Pelotas, Pelotas, Brasil, viliamcardoso@gmail.com Resumo: Este trabalho tem por objetivo aplicar a
PROBABILIDADE DE OCORRÊNCIA DE CHUVA NA MICRO REGIÃO DE ILHÉUS- ITABUNA, BAHIA. Hermes Alves de Almeida
PROBABILIDADE DE OCORRÊNCIA DE CHUVA NA MICRO REGIÃO DE ILHÉUS- ITABUNA, BAHIA Hermes Alves de Almeida Pesquisador, DSc, Centro de Pesquisas do Cacau, Caixa Postal 7, 456- Itabuna, Bahia RESUMO Utilizando-se
EVENTOS EXTREMOS DE CONDIÇÕES DE UMIDADE E SUAS INFLUENCIAS NA PRODUTIVIDADE DO ARROZ DE TERRAS ALTAS NO SUDOESTE GOIANO
EVENTOS EXTREMOS DE CONDIÇÕES DE UMIDADE E SUAS INFLUENCIAS NA PRODUTIVIDADE DO ARROZ DE TERRAS ALTAS NO SUDOESTE GOIANO Douglas S. Soares 1,2, Diego S. FERNANDES 1,3, Alexandre B. HEINEMANN 4 1 UEG UnU
Uma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Monitoramento de Estiagens
IX ENCONTRO REGIONAL DE DEFESA CIVIL Resposta e Recuperação em Face de Eventos Meteorológicos: O quê fazer quando o desastre é iminente ou instalado? 30 de Agosto de 2018 Gramado/RS Monitoramento de Estiagens
Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y